Dirbtinis intelektas per pastaruosius kelerius metus tapo vienu sparčiausiai į sodininkystę skverbiančių technologinių įrankių. Jis siūlo augalų atpažinimą, ligų diagnostiką, augalų parinkimą pagal dirvožemį, laistymo rekomendacijas, kraštovaizdžio vizualizacijas ir net viso sodo projektus. Visa tai atrodo greita, patogu ir prieinama kiekvienam.
Tačiau kartu daugėja ir perspėjimų, kad algoritmų pateikiami sprendimai ne visada atspindi biologinę realybę. Mokslininkai bei sodininkystės ekspertai atkreipia dėmesį į klaidingą augalų identifikavimą, netikslias priežiūros rekomendacijas, dirbtinai sugeneruotus augalų vaizdus, kurie neatitinka tikrų veislių savybių, bei riziką prarasti gebėjimą savarankiškai vertinti situaciją sode.
Todėl šiandien svarbiausias klausimas tampa ne tai, ar verta naudoti dirbtinį intelektą, o kaip juo naudotis atsakingai. Kada jis gali tapti naudingu pagalbininku, o kada jo rekomendacijos turėtų būti tik viena iš informacijos dalių, kurią būtina patikrinti remiantis agronomijos principais ir praktine patirtimi?
Kaip dirbtinis intelektas sodininkystėje jau naudojamas kasdien?
Viena dažniausių dirbtinio intelekto taikymo sričių – augalų atpažinimas pagal nuotraukas. Specializuotos programėlės ir vaizdų analizės modeliai lygina vartotojo pateiktą vaizdą su milijonais duomenų bazėse esančių augalų pavyzdžių ir per kelias akimirkas pasiūlo galimą rūšį ar veislę. Panašiu principu veikia ir kai kurios ligų bei kenkėjų diagnostikos sistemos, kurios analizuoja lapų spalvą, dėmes, deformacijas ar kitus matomus požymius.
Ne mažiau sparčiai vystosi ir rekomendacinės sistemos. Jos gali padėti sudaryti augalų sąrašus pagal dirvožemio tipą, apšvietimo sąlygas, atsparumo šalčiui zonas ar pageidaujamą sodo stilių. Kai kurie sprendimai analizuoja vietovės klimatinius duomenis, kritulių statistiką, temperatūros svyravimus ar net dirvožemio rodiklius ir pagal juos siūlo tinkamiausias augalų rūšis bei jų priežiūros planus.
Pastaraisiais metais ypač išpopuliarėjo ir dirbtiniu intelektu paremti sodo projektavimo įrankiai. Jie leidžia iš paprastos sklypo nuotraukos sukurti kelis skirtingus apželdinimo variantus, pakeisti augalų kompozicijas, takus, mažosios architektūros elementus ar net imituoti, kaip sodas galėtų atrodyti po kelerių metų. Tokios vizualizacijos padeda greitai generuoti idėjas, tačiau jos dažnai remiasi estetiniu, o ne agronominiu vertinimu.
Mokslinėje literatūroje vis dažniau aptariamas ir platesnis dirbtinio intelekto vaidmuo sodininkystėje bei augalininkystėje. Jis naudojamas analizuojant didelius duomenų kiekius, prognozuojant augalų augimo sąlygas, optimizuojant laistymą, vertinant augalų sveikatingumą ar padedant priimti sprendimus dėl išteklių naudojimo. Tokios sistemos gali padidinti darbo efektyvumą ir padėti greičiau apdoroti informaciją, kurios žmogui įvertinti prireiktų gerokai daugiau laiko.
Rekomenduojamas video
Vis dėlto daugelis sodininkystės ekspertų ir mokslininkų pabrėžia, kad net ir pažangiausi algoritmai negali visiškai įvertinti konkretaus sodo sąlygų. Dirbtinis intelektas analizuoja tai, ką mato arba ką gauna iš duomenų bazių, tačiau jis negali pats įvertinti dirvožemio struktūros, mikroklimato ypatumų, ankstesnių augalų augimo istorijos ar kitų vietinių veiksnių, kurie praktikoje dažnai lemia galutinį sprendimą. Todėl šiandien vis daugiau dėmesio skiriama ne vien dirbtinio intelekto galimybėms, bet ir riboms bei rizikoms, kurias svarbu suprasti prieš aklai pasikliaujant algoritmų pateikiamomis rekomendacijomis.
Didžiausios dirbtinio intelekto rizikos sodininkystėje
Nors dirbtinio intelekto galimybės sodininkystėje sparčiai plečiasi, kartu daugėja ir perspėjimų, kad jo pateikiami atsakymai neturėtų būti laikomi galutine tiesa. Daugelis šiandien naudojamų sistemų remiasi tikimybiniais modeliais – jos analizuoja didelius duomenų kiekius ir pateikia labiausiai tikėtiną atsakymą, tačiau tai dar nereiškia, kad jis visada bus teisingas konkrečioje situacijoje.
Mokslininkai ir sodininkystės ekspertai atkreipia dėmesį, kad didžiausios rizikos kyla tuomet, kai algoritmų pateikiamos rekomendacijos pradedamos taikyti nevertinant jų patikimumo. Praktikoje net ir nedidelė klaida gali lemti netinkamą augalo priežiūrą, neteisingai parinktus augalus ar visiškai nepagrįstus sprendimus dėl tręšimo, laistymo ar ligų kontrolės.
Klaidingas augalų atpažinimas – viena dažniausių klaidų
Augalų atpažinimo programėlės šiandien gali identifikuoti tūkstančius rūšių vos iš vienos nuotraukos, tačiau jų tikslumas labai priklauso nuo pateikto vaizdo kokybės ir nuo to, kokiais duomenimis buvo apmokytas konkretus modelis. Net ir pažangūs algoritmai gali suklysti, jei augalas dar jaunas, nežydi, turi pažeistus lapus, auga neįprastomis sąlygomis arba priklauso kelioms tarpusavyje labai panašioms rūšims.
Ypač dažnai problemų kyla identifikuojant skirtingas tos pačios genties rūšis ar veisles. Pvz., dekoratyviniai augalai, kurių lapų forma labai panaši, gali būti supainiojami tarpusavyje, nors jų atsparumas šalčiui, augimo sąlygos ar priežiūros reikalavimai iš esmės skiriasi. Tokiais atvejais neteisingas identifikavimas tampa ne tik informacine klaida, jis gali lemti ir netinkamus praktinius sprendimus.
Dar sudėtingesnė situacija susidaro diagnozuojant augalų ligas ar maisto medžiagų trūkumą. Daugelis problemų pasireiškia labai panašiais požymiais: lapų geltonavimu, rudomis dėmėmis, vytimu ar augimo sulėtėjimu. Tokius simptomus gali sukelti visiškai skirtingos priežastys: grybinės ligos, bakterijos, virusai, kenkėjai, maisto medžiagų disbalansas, netinkamas laistymas ar nepalankios oro sąlygos. Vertindamas tik vieną nuotrauką, algoritmas dažnai neturi pakankamai informacijos šioms priežastims atskirti.
Dėl šios priežasties vis daugiau ekspertų rekomenduoja augalų atpažinimo programas naudoti kaip pirminės analizės priemonę, o ne kaip galutinį sprendimą. Jei nuo identifikavimo priklauso tokie tolesni veiksmai, kaip augalo sodinimas, genėjimas, apsaugos priemonių pasirinkimas ar tręšimo planas, gautą informaciją verta palyginti su patikimais sodininkystės šaltiniais, augalų aprašais ar specialistų rekomendacijomis.
Svarbu suprasti ir tai, kad dirbtinis intelektas nemato viso augalo konteksto. Jis negali įvertinti dirvos kvapo, drėgmės, šaknų būklės, aplink augančių augalų, ankstesnių sezonų problemų ar kitų požymių, kuriuos patyręs sodininkas dažnai pastebi dar prieš pasirodant akivaizdiems simptomams. Todėl net ir sparčiai tobulėjant vaizdų analizės technologijoms, galutinį sprendimą vis dar turėtų priimti žmogus, remdamasis ne vien algoritmo atsakymu, bet ir realiu augalo būklės vertinimu.
Kai dirbtinis intelektas „užtikrintai klysta“
Viena didžiausių problemų, apie kurią kalba tiek sodininkystės ekspertai, tiek dirbtinio intelekto tyrėjai, yra vadinamosios „haliucinacijos“ (ang. AI hallucinations). Taip apibūdinamos situacijos, kai dirbtinis intelektas pateikia iš pirmo žvilgsnio logišką, argumentuotą ir įtikinamai suformuluotą atsakymą, nors jis nėra pagrįstas patikimais duomenimis arba apskritai yra klaidingas.
Sodininkystėje tokios klaidos gali pasireikšti įvairiai. Vienais atvejais algoritmas nurodo netinkamą augalo sodinimo laiką, kitais – pateikia neteisingas tręšimo normas, rekomenduoja konkrečiai rūšiai netinkančias dirvožemio sąlygas arba pasiūlo augalų apsaugos priemones, kurios konkrečiu atveju nebūtų veiksmingos. Kadangi atsakymai dažniausiai pateikiami aiškia, užtikrinta kalba, vartotojui gali susidaryti įspūdis, kad informacija paremta patikrintais šaltiniais, nors iš tikrųjų taip nėra.
Dar viena problema – dirbtinis intelektas ne visada geba atskirti moksliškai pagrįstą informaciją nuo internete plačiai paplitusių mitų ar pasenusių rekomendacijų. Jei modelio mokymosi duomenyse gausu prieštaringos informacijos, jis gali ją apjungti į vieną atsakymą, kuris skamba nuosekliai, tačiau neatitinka nei naujausių mokslinių tyrimų, nei gerosios sodininkystės praktikos.
Tai ypač aktualu kalbant apie augalų mitybą ir apsaugą. Pvz., skirtingų augalų rūšių maisto medžiagų poreikiai, tręšimo terminai ar naudojamų produktų normos gali skirtis iš esmės. Jei algoritmas supainioja augalus arba remiasi apibendrintomis rekomendacijomis, sodininkas gali ne tik nesulaukti laukiamo rezultato, bet ir pakenkti augalui. Dėl netinkamai parinkto tręšimo gali sutrikti maisto medžiagų pusiausvyra, o nepagrįstas augalų apsaugos priemonių naudojimas didina bereikalingų intervencijų riziką.
Ne mažiau svarbu tai, kad generatyvinis dirbtinis intelektas dažniausiai neparodo, kiek jis yra tikras dėl savo atsakymo. Skirtingai nei mokslinėse publikacijose ar oficialiose sodininkystės rekomendacijose, čia retai pateikiama informacijos apie įrodymų stiprumą, duomenų patikimumą ar situacijas, kai atsakymas gali būti netinkamas. Dėl to vartotojui tampa sudėtinga atskirti faktą nuo tikėtino spėjimo.
Kodėl graži nuotrauka dar nereiškia, kad augalas egzistuoja?
Vienas sparčiausiai plintančių dirbtinio intelekto panaudojimo būdų yra vaizdų generavimas. Šiandien algoritmai gali sukurti itin tikroviškai atrodančias gėlių, medžių, dekoratyvinių augalų ar net ištisų sodų iliustracijas, kurias nuo tikrų fotografijų neretai sunku atskirti net patyrusiems sodininkams.
Dažniausiai problema kyla todėl, kad dirbtinis intelektas nesiekia atkurti biologinės tikrovės, jo tikslas yra sukurti vizualiai įtikinamą rezultatą. Dėl šios priežasties sugeneruotuose vaizduose gali atsirasti neegzistuojančių žiedų spalvų, neįprastų lapų formų, nerealių augalų proporcijų ar net visiškai naujų, gamtoje neegzistuojančių rūšių derinių. Tokie vaizdai dažnai atrodo estetiškai patrauklūs, tačiau neatspindi tikrų augalų genetinių ar morfologinių savybių.
Ne mažiau klaidinantys gali būti ir dirbtinio intelekto kuriami sodo projektai. Vizualizacijose augalai neretai vaizduojami taip, lyg visi vienu metu žydėtų, augtų idealiomis sąlygomis ir nereikalautų tarpusavio konkurencijos dėl šviesos, vandens ar maisto medžiagų. Tokios kompozicijos dažnai nepasiteisina, nes neatsižvelgiama į augalų augimo greitį, galutinį dydį, atsparumą klimatui, dirvožemio savybes ar sezoninius pokyčius.
Dar viena problema – dirbtinio intelekto sugeneruoti vaizdai vis dažniau naudojami socialiniuose tinkluose, internetinėse parduotuvėse ar net reklaminėje medžiagoje, aiškiai nenurodant, kad jie nėra tikros fotografijos. Dėl to sodininkai gali susidaryti nepagrįstus lūkesčius apie būsimo augalo išvaizdą, žiedų dydį, spalvų intensyvumą ar dekoratyvumą.
Tai ypač aktualu renkantis naujas veisles ar užsakant augalus internetu. Vien tik nuotrauka neturėtų būti pagrindinis informacijos šaltinis. Kur kas patikimiau remtis oficialiais veislių aprašymais, botanikos sodų, selekcininkų ar patikimų medelynų pateikiama informacija, kurioje nurodomos ne tik augalo nuotraukos, bet ir jo biologinės savybės, augimo ypatumai bei prisitaikymas prie konkrečių klimato sąlygų.
Kodėl vietinės sąlygos vis dar svarbesnės už algoritmus?
Vienas didžiausių dirbtinio intelekto ribotumų sodininkystėje yra tas, kad jis negali visapusiškai įvertinti konkrečios augavietės. Net ir naudodamas orų prognozes, geografinius duomenis ar vartotojo pateiktą informaciją, algoritmas mato tik nedidelę dalį veiksnių, kurie realiomis sąlygomis lemia augalų augimą ir jų sveikatą.
Praktikoje net du gretimi sklypai gali pasižymėti visiškai skirtingomis augimo sąlygomis. Pietinėje namo pusėje dirvožemis pavasarį įšyla gerokai anksčiau, o šiaurinėje pusėje ilgiau išlieka vėsa ir didesnė drėgmė. Nedideli reljefo skirtumai gali lemti šalto oro kaupimąsi žemumose, dažnesnes šalnas ar vandens sąstovį po gausesnių kritulių. Tokie mikroklimato ypatumai dažnai tampa lemiamu veiksniu, tačiau dirbtinis intelektas jų paprastai neįvertina.
Panaši situacija susiklosto ir vertinant dirvožemį. Net jei vartotojas nurodo, kad augina augalus molingoje ar priesmėlio dirvoje, tokia informacija neatskleidžia viso vaizdo. Dirvožemio struktūra, organinės medžiagos kiekis, rūgštingumas (pH), maisto medžiagų balansas, drenažas ar mikroorganizmų aktyvumas gali smarkiai skirtis net tame pačiame sode.
Dar daugiau neapibrėžtumo atsiranda dėl augalų auginimo istorijos. Algoritmas nežino, kokie augalai toje vietoje augo ankstesniais metais, ar dirvoje nėra susikaupusių ligų sukėlėjų, ar nepasireiškia sėjomainos problemos, kaip dažnai buvo tręšiama, kokios organinės medžiagos buvo naudojamos ar kaip keitėsi dirvos savybės per pastaruosius sezonus. Visa ši informacija dažnai yra gerokai svarbesnė už bendro pobūdžio rekomendacijas.
Ne mažiau svarbus ir klimato nepastovumas. Pastaraisiais metais sodininkai vis dažniau susiduria su vėlyvomis pavasario šalnomis, ilgomis sausromis, staigiomis liūtimis ar neįprastomis karščio bangomis. Tokiomis sąlygomis net ir moksliškai pagrįstos rekomendacijos gali pareikalauti korekcijų. Dirbtinis intelektas geba analizuoti istorinius ar prognozuojamus duomenis, tačiau jis negali įvertinti visų konkrečiame sklype vykstančių pokyčių realiuoju laiku.
Kodėl svarbu žinoti, kokiais algoritmas dirbtinis intelektas remiasi?
Nors dirbtinis intelektas dažnai suvokiamas kaip savarankiškai mąstanti sistema, iš tikrųjų jo atsakymų kokybė tiesiogiai priklauso nuo duomenų, kuriais jis buvo mokomas. Kitaip tariant, algoritmas negali žinoti daugiau, nei buvo „išmokęs“ analizuodamas tekstus, vaizdus, mokslines publikacijas ar kitus informacijos šaltinius. Jei šie duomenys yra neišsamūs, pasenę arba prieštaringi, tokie gali būti ir pateikiami atsakymai.
Sodininkystėje ši problema ypač aktuali todėl, kad augalų priežiūros rekomendacijos nuolat kinta. Kasmet atsiranda naujų veislių, atnaujinamos augalų apsaugos gairės, tikslinamos tręšimo rekomendacijos, o dėl klimato kaitos keičiasi ir augalų auginimo sąlygos. Jei dirbtinis intelektas remiasi senesniais duomenimis arba informacija, kuri nebeatitinka dabartinės praktikos, jo pateikiami patarimai gali būti pasenę.
Ne mažesnę įtaką daro ir duomenų geografinė kilmė. Didelė dalis internete prieinamos sodininkystės informacijos sukurta JAV arba JK, todėl joje aprašomos sąlygos ne visada sutampa su Lietuvos klimatu. Pvz., rekomenduojamas sodinimo laikas, augalų atsparumas žiemai, dirvožemio savybės ar net dažniausiai pasitaikantys kenkėjai gali skirtis priklausomai nuo regiono. Jei algoritmas šių skirtumų neįvertina, jis gali pateikti rekomendacijas, kurios teoriškai yra teisingos, tačiau praktiškai konkrečiame sode neveiks.
Dar viena problema – informacijos kokybės netolygumas. Internete greta universitetų, mokslinių institucijų ir profesionalių sodininkystės organizacijų publikacijų gausu tinklaraščių, forumų ar socialinių tinklų įrašų, kuriuose pateikiami asmeniniai pastebėjimai, nepatikrinti metodai ar ilgainiui paneigti teiginiai. Jei tokia informacija patenka į dirbtinio intelekto mokymosi duomenis, ji gali būti perteikiama kaip lygiavertė moksliškai pagrįstoms rekomendacijoms.
Tai nereiškia, kad dirbtinio intelekto atsakymai savaime yra nepatikimi. Priešingai, daugeliu atvejų jie gali padėti greitai surasti naudingą informaciją ar susiaurinti galimų sprendimų spektrą. Tačiau sodininkui svarbu suprasti, kad algoritmo pateiktas atsakymas nėra pirminis informacijos šaltinis. Jo patikimumą visada lemia duomenys, kuriais jis remiasi, todėl kuo svarbesnis priimamas sprendimas, tuo svarbiau informaciją palyginti su patikimais sodininkystės leidiniais, universitetų rekomendacijomis ar oficialiomis augalų priežiūros gairėmis.
Kodėl dirbtinis intelektas nepakeis gero sodininko?
Nors dirbtinio intelekto galimybės kasmet plečiasi, dauguma sodininkystės specialistų sutaria, kad jis vargu ar galės visiškai pakeisti žmogų. Priežastis paprasta – sodininkystė nėra vien duomenų analizė. Tai nuolatinis prisitaikymas prie kintančių gamtos sąlygų, kurių neįmanoma iki galo aprašyti algoritmais.
Patyręs sodininkas pastebi pirmuosius augalų streso požymius dar prieš jiems tampant akivaizdžiais, prisimena, kurios sodo vietos pavasarį ilgiau išlieka šlapios, kur dažniau pasireiškia šalnos ar kokios veislės konkrečiame sklype kasmet auga geriausiai. Tokia patirtis susiformuoja tik ilgai stebint augalus ir jų aplinką, jos negalima perkelti į vieną nuotrauką ar duomenų rinkinį.
Svarbus ir gebėjimas vertinti visumą. Pvz., lapų pageltimą gali lemti ne viena priežastis, o kelių veiksnių derinys: užsitęsęs lietingas laikotarpis, sutrikęs maisto medžiagų pasisavinimas, pažeista šaknų sistema ar prasidėjusi liga. Nors dirbtinis intelektas gali pasiūlyti labiausiai tikėtiną paaiškinimą, jis dažniausiai vertina kiekvieną požymį atskirai. Tuo tarpu sodininkas situaciją analizuoja kaip tarpusavyje susijusių procesų visumą.
Ne mažiau svarbi ir nuolatinė augalų stebėsena. Daugelis sprendimų priimami ne pagal vieną momentinę nuotrauką, o matant, kaip augalas keitėsi per kelias dienas, savaites ar net visą sezoną. Augimo tempas, naujų ūglių formavimasis, žydėjimo dinamika ar reakcija į ankstesnes priežiūros priemones suteikia informacijos, kurios algoritmas dažniausiai neturi.
Dirbtinis intelektas taip pat negali pakeisti praktinių įgūdžių. Tinkamai įvertinti dirvos struktūrą, pajusti jos drėgnumą, nuspręsti, kiek stipriai genėti augalą, ar pastebėti pirmuosius kenkėjų pažeidimus dažnai padeda ne formulės, o ilgametė patirtis.
Ateities sodininkystėje svarbiausias pranašumas greičiausiai priklausys ne tam, kuris dažniausiai naudojasi dirbtiniu intelektu, bet tam, kuris gebės tinkamai derinti technologijų teikiamas galimybes su agronomijos žiniomis, kritiniu mąstymu ir kasdiene augalų stebėsena. Tokiu atveju dirbtinis intelektas tampa ne sodininko pakaitalu, o dar vienu įrankiu, padedančiu priimti geriau pagrįstus sprendimus.
Kokios ateities tendencijos jau ryškėja?
Nors šiandien dirbtinis intelektas daugeliui sodininkų pirmiausia asocijuojasi su augalų atpažinimo programėlėmis ar skaitmeniniais konsultantais, jo galimybės sparčiai plečiasi. Mokslininkai ir technologijų kūrėjai dirba prie sprendimų, kurie ateityje galėtų ne tik analizuoti informaciją, bet ir tiksliau įvertinti augalų būklę, prognozuoti galimas problemas bei padėti efektyviau planuoti sodo priežiūrą.
Viena perspektyviausių krypčių – dirbtinio intelekto integravimas su įvairiais jutikliais. Dirvožemio drėgmės, temperatūros, oro sąlygų ar apšvietimo duomenys galėtų būti analizuojami realiuoju laiku, todėl rekomendacijos būtų grindžiamos ne bendromis taisyklėmis, o konkrečiomis augalo augimo sąlygomis. Toks sprendimas leistų tiksliau planuoti laistymą, stebėti augalų patiriamą stresą ar anksčiau pastebėti nepalankius aplinkos pokyčius.
Kita svarbi kryptis – tikslesnės augalų ligų ir kenkėjų diagnostikos sistemos. Tobulėjant kompiuterinės regos technologijoms, algoritmai vis geriau atpažįsta smulkius lapų, stiebų ar vaisių pokyčius, kurie gali būti pirmieji ligų požymiai. Ateityje tokios sistemos galėtų padėti greičiau pastebėti problemas dar iki tol, kol jos taps matomos plika akimi arba išplis didesnėje sodo dalyje.
Tikimasi ir labiau individualizuotų rekomendacijų. Vietoje bendrų patarimų vis dažniau kalbama apie sistemas, kurios gebėtų atsižvelgti į konkretaus sodo istoriją, auginamus augalus, dirvožemio tyrimų rezultatus, vietovės klimatą ir net ankstesnių sezonų duomenis. Toks kontekstinis vertinimas galėtų sumažinti dalį rizikų, kurios šiandien kyla dėl pernelyg bendro pobūdžio rekomendacijų.
Vis dėlto daugelis mokslininkų pabrėžia, kad kartu su technologijų pažanga didėja ir atsakomybė už jų naudojimą. Kuo daugiau sprendimų bus patikima algoritmams, tuo svarbiau bus užtikrinti naudojamų duomenų kokybę, skaidrumą ir galimybę suprasti, kodėl dirbtinis intelektas pateikė vieną ar kitą rekomendaciją. Be šių principų net ir pažangiausios sistemos gali priimti sprendimus, kurie konkrečiomis sąlygomis nebus tinkami.
Šaltiniai:
https://www.rhs.org.uk/garden-inspiration/get-gardening/how-will-ai-change-gardening
https://www.cam.ac.uk/research/news/risks-of-using-ai-to-grow-our-food-are-substantial
https://www.sciencedirect.com/science/article/pii/S0168169925010336
https://www.nature.com/articles/s41598-025-34681-1
https://www.mckinsey.com/industries/agriculture/our-insights/from-bytes-to-bushels
Nuotraukos asociatyvinės.